JP6658711B2 - Surface defect detection method and surface defect detection device - Google Patents
Surface defect detection method and surface defect detection device Download PDFInfo
- Publication number
- JP6658711B2 JP6658711B2 JP2017205918A JP2017205918A JP6658711B2 JP 6658711 B2 JP6658711 B2 JP 6658711B2 JP 2017205918 A JP2017205918 A JP 2017205918A JP 2017205918 A JP2017205918 A JP 2017205918A JP 6658711 B2 JP6658711 B2 JP 6658711B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- magnetic
- defect
- texture feature
- surface defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims description 204
- 238000001514 detection method Methods 0.000 title claims description 74
- 230000005856 abnormality Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 25
- 230000004907 flux Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 6
- 229910052751 metal Inorganic materials 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 description 53
- 239000010959 steel Substances 0.000 description 53
- 238000012545 processing Methods 0.000 description 44
- 238000004364 calculation method Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000000737 periodic effect Effects 0.000 description 11
- 238000003702 image correction Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 6
- 238000003705 background correction Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000003746 surface roughness Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Description
本発明は、磁性金属からなる被検体に磁束を印加することによって被検体から漏洩する磁束を検出することにより、被検体に存在する表面欠陥を検出する表面欠陥検出方法及び表面欠陥検出装置に関するものである。 The present invention relates to a surface defect detection method and a surface defect detection device for detecting a surface defect existing in an object by detecting a magnetic flux leaking from the object by applying a magnetic flux to the object made of a magnetic metal. It is.
磁性金属、特に薄鋼板の製造プロセスにおいては、製造ライン内に設置されているロールに付着した異物、又は、その異物がロールに噛み込まれることによってロールに形成された凹凸が鋼板に転写されることにより、薄鋼板にロール性の疵が発生する場合がある。このようなロール性の疵を含むロール性欠陥の中には、薄鋼板の表面粗さ(Ｒａ＝０．５〜２μｍ)の中でなだらかな輪郭(曲率半径Ｒ≧１０ｍｍ)を有し、凹凸量は５μｍ以下であるが面積は１０ｍｍ２以上の形状を有する微小凹凸表面欠陥がある。図１１に微小凹凸表面欠陥の断面形状の模式図を示す。 In the manufacturing process of a magnetic metal, particularly a thin steel sheet, foreign matter attached to a roll installed in a production line, or unevenness formed on the roll by the foreign matter being bitten by the roll is transferred to the steel sheet. As a result, a roll-like flaw may occur in the thin steel sheet. Among the roll defects including such roll defects, the steel plate has a gentle contour (curvature radius R ≧ 10 mm) in the surface roughness (Ra = 0.5 to 2 μm) of the thin steel sheet, Although the amount is 5 μm or less, there are minute surface irregularities having a shape with an area of 10 mm 2 or more. FIG. 11 shows a schematic diagram of a cross-sectional shape of a minute uneven surface defect.
微小凹凸表面欠陥の面積は１０〜１０００ｍｍ２程度であるが、先に述べたように凹凸量は５μｍ以下であり、最も小さいものにあっては凹凸量１μｍ前後と表面粗さと同じオーダーの非常に小さいものである。大部分の比較的凹凸量の大きなロール性欠陥は視認可能であるため製造ラインでの発見も容易である。しかしながら、この微小凹凸表面欠陥は凹凸量が薄鋼板の表面粗さと同じ程度であるため光学的には差が小さく、そのままの状態で観察しても発見することができず、製造ラインでの発見が困難である。ところが、塗装され、表面粗さが塗料に埋められて表面が滑らかになると、微小凹凸表面欠陥が明瞭に見えるようになり、外観上大きな問題となる。そのため、微小凹凸表面欠陥を塗装前に発見することは品質管理上重要な問題である。 Although the area of the fine irregular surface defect is about 10 to 1000 mm 2 , as described above, the irregular amount is 5 μm or less, and the smallest one has an irregular amount of about 1 μm, which is the same order of magnitude as the surface roughness. It is small. Most of the roll defects having a relatively large unevenness can be visually recognized, so that they can be easily found on a production line. However, since these microscopic surface defects have the same degree of roughness as the surface roughness of a thin steel sheet, their optical differences are small, and they cannot be detected even when observed as they are, and they are found on the production line. Is difficult. However, when the surface is painted and the surface roughness is buried in the paint and the surface becomes smooth, minute irregularities and surface defects become clearly visible, which is a major problem in appearance. Therefore, it is an important problem in quality control to find microscopic uneven surface defects before painting.
微小凹凸表面欠陥の形態としては、前述のロール性の疵のような点状の疵のほか、線状マークや絞りマークのように薄鋼板の長手方向に続く疵もある。このような微小凹凸表面欠陥を見つけるために、製鉄プロセスの各検査ラインにおいては全てのコイルについて、操業中に薄鋼板の走行を一度停止し検査員が薄鋼板に砥石がけを行った後に目視検査をしている。薄鋼板に砥石がけを行うと、凹部に比べて凸部がより砥石にあたり反射率が高くなるので、凹凸部の差が明確になり目視で微小凹凸表面欠陥を確認することができる。しかしながら、このような表面欠陥検出方法は、検査ラインを停止して行わなければならず、且つ、かなりの時間を要するので作業能率を低下させる。このため、凹凸量が数μｍ程度でなだらかな輪郭を有する微小凹凸性欠陥を検出する方法として、特許文献１及び特許文献２に記載の方法が提案されている。 Examples of the form of the microscopic surface defects include point-like flaws such as the above-mentioned roll-like flaws and flaws extending in the longitudinal direction of the thin steel sheet such as linear marks and draw marks. In order to find such fine irregular surface defects, in each inspection line of the iron making process, for all coils, the running of the thin steel sheet was stopped once during operation, and a visual inspection was performed after the inspector grinded the thin steel sheet. You are. When a thin steel plate is polished with a grindstone, the convex portion hits the grindstone more than the concave portion and the reflectance increases, so that the difference between the concave and convex portions is clarified, and fine irregular surface defects can be visually confirmed. However, such a surface defect detection method has to be performed while stopping the inspection line, and requires a considerable amount of time, thereby lowering work efficiency. For this reason, methods described in Patent Literature 1 and Patent Literature 2 have been proposed as a method for detecting a fine irregularity defect having a gentle contour with a roughness of about several μm.
特許文献１に記載の方法は、鋼板に磁束を印加し、鋼板に欠陥が発生する際に生じる内部歪に起因する漏洩磁束信号を検知することによって欠陥を検出する方法である。しかしながら、特許文献１に記載の方法によれば、欠陥が非常に小さい等、欠陥が軽微である場合、漏洩磁束信号の強度が弱いために欠陥を検出できない可能性がある。一方、特許文献２に記載の方法は、軽微な周期的な欠陥を検出するためにその周期的な特徴を利用して欠陥の検出精度を上げる方法である。しかしながら、特許文献２記載の方法は、周期的な特徴を有する欠陥にしか適用することができない。 The method described in Patent Document 1 is a method of detecting a defect by applying a magnetic flux to a steel sheet and detecting a leakage magnetic flux signal caused by internal strain generated when a defect occurs in the steel sheet. However, according to the method described in Patent Literature 1, when the defect is very small, such as when the defect is very small, the defect may not be detected because the intensity of the leakage magnetic flux signal is weak. On the other hand, the method described in Patent Literature 2 is a method for detecting a small periodic defect and improving the defect detection accuracy by using the periodic characteristic. However, the method described in Patent Document 2 can be applied only to defects having periodic characteristics.
ところが、以下の事情により周期的な特徴を有さない微小凹凸表面欠陥を検出するニーズが生じている。第１に、欠陥の発生原因となるロールの凹凸は鋼板を製造するにつれてロールと鋼板との間の摩擦によって徐々に小さくなってしまうために、非常に軽微な欠陥の中には周期的な特徴をほとんど若しくは全く有さないものがあるが、これらの欠陥も客先で問題となることがある。第２に、周期的な特徴を有する欠陥であっても、製造ラインで鋼板がその搬送方向に対して垂直な方向に蛇行する等の要因によってその周期的な特徴を検出することが困難になることもある。このような事情のため、鋼板の品質レベルを向上させるためには欠陥の周期的な特徴を利用しない微小凹凸表面欠陥の検出技術が必要となってきている。 However, due to the following circumstances, there is a need for detecting a fine irregular surface defect having no periodic feature. First, the irregularities of the roll, which causes defects, gradually decrease due to the friction between the roll and the steel sheet as the steel sheet is manufactured. Some have little or no defects, but these deficiencies can also be problematic at the customer site. Secondly, even for a defect having a periodic feature, it is difficult to detect the periodic feature due to factors such as the steel sheet meandering in a direction perpendicular to the transport direction on the production line. Sometimes. Under such circumstances, in order to improve the quality level of the steel sheet, a technology for detecting minute uneven surface defects that does not use the periodic characteristics of the defects is required.
本発明は、上記課題に鑑みてなされたものであって、その目的は、被検体中に存在する周期的な特徴を有さない微小凹凸表面欠陥も精度よく検出可能な表面欠陥検出方法及び表面欠陥検出装置を提供することにある。 The present invention has been made in view of the above problems, and an object of the present invention is to provide a surface defect detection method and a surface defect capable of accurately detecting even a minute uneven surface defect having no periodic feature existing in a subject. An object of the present invention is to provide a defect detection device.
本発明に係る表面欠陥検出方法は、磁性金属からなる被検体に磁束を印加することによって該被検体から漏洩する磁束を検出することにより、被検体に存在する表面欠陥を検出する表面欠陥検出方法において、前記被検体から漏洩する磁束を計測して磁気画像に変換する計測ステップと、前記磁気画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成ステップと、前記磁気画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記磁気画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出ステップと、前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記磁気画像上の各位置についての異常度を示した異常度画像を生成する異常度算出ステップと、前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出ステップと、を含むことを特徴とする。 The surface defect detection method according to the present invention is a surface defect detection method for detecting a surface defect existing in an object by detecting a magnetic flux leaking from the object by applying a magnetic flux to the object made of a magnetic metal. A measuring step of measuring a magnetic flux leaking from the subject and converting the magnetic image into a magnetic image; and a texture characteristic image for generating a plurality of texture characteristic images by performing a filtering process using a plurality of spatial filters on the magnetic image. Generating a texture feature extracting step of extracting a value of a corresponding position of each of the plurality of texture feature images for each position on the magnetic image to generate a feature vector at each position on the magnetic image; Calculating the degree of abnormality in the multidimensional distribution formed by the feature vectors for each of the vectors; An abnormality degree calculation step of generating an abnormality degree image indicating an abnormality degree for each of the above positions, and a detection step of detecting a portion of the abnormality degree image in which the abnormality degree exceeds a predetermined value as a defective portion or a defect candidate portion; , Is included.
本発明に係る表面欠陥検出方法は、上記発明において、前記テクスチャ特徴画像生成ステップは、前記複数の空間フィルタによるフィルタ処理を、前記磁気画像を縮小した画像又は前記テクスチャ特徴画像を縮小した画像に対しても施すことにより、別のテクスチャ特徴画像を生成する処理を含むことを特徴とする。 In the surface defect detection method according to the present invention, in the above invention, the texture feature image generating step includes performing a filtering process using the plurality of spatial filters on an image obtained by reducing the magnetic image or an image obtained by reducing the texture feature image. The processing includes a process of generating another texture feature image by performing the above processing.
本発明に係る表面欠陥検出方法は、上記発明において、前記磁気画像又は前記テクスチャ特徴画像の縮小方向が検出対象である線状欠陥と平行な方向である方向を含むことを特徴とする。 In the surface defect detection method according to the present invention, in the above invention, the reduction direction of the magnetic image or the texture characteristic image includes a direction parallel to a linear defect to be detected.
本発明に係る表面欠陥検出方法は、上記発明において、前記複数の空間フィルタがウェーブレット変換により実現されることを特徴とする。 The surface defect detection method according to the present invention is characterized in that, in the above invention, the plurality of spatial filters are realized by wavelet transform.
本発明に係る表面欠陥検出方法は、上記発明において、前記複数の空間フィルタがガボールフィルタを含むことを特徴とする。 In the surface defect detection method according to the present invention, in the above invention, the plurality of spatial filters include a Gabor filter.
本発明に係る表面欠陥検出装置は、磁性金属からなる被検体に磁束を印加することによって該被検体から漏洩する磁束を検出することにより、被検体に存在する表面欠陥を検出する表面欠陥検出装置において、前記被検体から漏洩する磁束を計測して磁気画像に変換する計測手段と、前記磁気画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成手段と、前記磁気画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記磁気画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出手段と、前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記磁気画像上の各位置についての異常度を示した異常度画像を生成する異常度算出手段と、前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出手段と、を備えることを特徴とする。 The surface defect detection device according to the present invention is a surface defect detection device that detects a surface defect existing in an object by detecting a magnetic flux leaking from the object by applying a magnetic flux to the object made of a magnetic metal. Measuring means for measuring a magnetic flux leaking from the subject and converting the magnetic image into a magnetic image, and a texture characteristic image for generating a plurality of texture characteristic images by performing a filtering process using a plurality of spatial filters on the magnetic image Generating means; extracting a value of a corresponding position of the plurality of texture characteristic images for each position on the magnetic image to generate a characteristic vector at each position on the magnetic image; For each of the vectors, the degree of abnormality in the multidimensional distribution formed by the feature vector is calculated, and each position on the magnetic image is calculated. Abnormality degree calculation means for generating an abnormality degree image indicating the degree of abnormality, and detection means for detecting a portion in which the degree of abnormality exceeds a predetermined value in the abnormality degree image as a defective portion or a defect candidate portion. It is characterized by.
本発明に係る表面欠陥検出方法及び表面欠陥検出装置によれば、被検体中に存在する周期的な特徴を有さない微小凹凸表面欠陥も精度よく検出することができる。 ADVANTAGE OF THE INVENTION According to the surface defect detection method and the surface defect detection device according to the present invention, it is possible to accurately detect even a minute uneven surface defect having no periodic feature existing in the subject.
以下、図面を参照して、本発明の一実施形態である表面欠陥検出装置の構成及びその動作について説明する。 Hereinafter, the configuration and operation of a surface defect detection device according to an embodiment of the present invention will be described with reference to the drawings.
〔構成〕
まず、図１，図２を参照して、本発明の一実施形態である表面欠陥検出装置の構成について説明する。図１は、本発明の一実施形態である表面欠陥検出装置の構成を示す模式図である。図２は、図１に示す画像処理装置８の内部構成を示すブロック図である。
〔Constitution〕
First, a configuration of a surface defect detection device according to an embodiment of the present invention will be described with reference to FIGS. FIG. 1 is a schematic diagram illustrating a configuration of a surface defect detection device according to an embodiment of the present invention. FIG. 2 is a block diagram showing the internal configuration of the image processing device 8 shown in FIG.
図１に示すように、本発明の一実施形態である表面欠陥検出装置１は、鋼板Ｓに存在する厚さ方向に数μｍと表面粗さと同レベルの微小凹凸表面欠陥ＤＦを検出する装置であり、直流電源２、磁化器３、磁気センサ４、増幅器５、信号処理回路６、画像化装置７、画像処理装置８、及び表示装置９を主な構成要素として備えている。 As shown in FIG. 1, a surface defect detection device 1 according to an embodiment of the present invention is a device that detects a micro uneven surface defect DF having a thickness of several μm in the thickness direction and the same level of surface roughness existing in a steel sheet S. It includes a DC power supply 2, a magnetizer 3, a magnetic sensor 4, an amplifier 5, a signal processing circuit 6, an imaging device 7, an image processing device 8, and a display device 9 as main components.
磁化器３と磁気センサ４は鋼板Ｓの同じ側に配置されており、磁気センサ４は鋼板Ｓの幅方向（紙面と垂直方向）に複数個並べて配列されている。磁化器３は直流電源２から直流電流が供給されることにより磁化される。磁化器３によって両磁極間に発生した磁束は、鋼板Ｓを通り、鋼板Ｓに印加される。鋼板Ｓに微小凹凸表面欠陥ＤＦが存在すると、微小凹凸表面欠陥ＤＦによって磁化器３から印加された磁束が妨げられ、その磁束の変化を磁気センサ４によって検出することができる。 The magnetizer 3 and the magnetic sensor 4 are arranged on the same side of the steel sheet S, and a plurality of the magnetic sensors 4 are arranged side by side in the width direction of the steel sheet S (perpendicular to the paper). The magnetizer 3 is magnetized when a DC current is supplied from the DC power supply 2. The magnetic flux generated between the magnetic poles by the magnetizer 3 passes through the steel sheet S and is applied to the steel sheet S. When the minute uneven surface defect DF exists on the steel sheet S, the magnetic flux applied from the magnetizer 3 is hindered by the minute uneven surface defect DF, and a change in the magnetic flux can be detected by the magnetic sensor 4.
鋼板Ｓは図１に示す矢印の方向に通板される。これにより、磁気センサ４の直下の鋼板Ｓが順次変化していくため、磁気センサ４によって検出される磁気信号（出力信号）を時間方向に一定ピッチでサンプリングすることにより、鋼板Ｓの表面欠陥を連続して検出することができる。磁気センサ４の出力信号は、増幅器５によって増幅され、信号処理回路６によってノイズ除去された後、鋼板Ｓの通板速度に対応した一定のサンプリングピッチでサンプリングされる。 The steel sheet S is passed in the direction of the arrow shown in FIG. As a result, the steel sheet S immediately below the magnetic sensor 4 sequentially changes, so that a magnetic signal (output signal) detected by the magnetic sensor 4 is sampled at a constant pitch in the time direction to reduce surface defects of the steel sheet S. It can be detected continuously. The output signal of the magnetic sensor 4 is amplified by the amplifier 5 and noise-removed by the signal processing circuit 6, and then sampled at a constant sampling pitch corresponding to the passing speed of the steel sheet S.
サンプリングされた信号は、画像化装置７で鋼板Ｓの幅方向に複数個並べられた磁気センサ４からの出力を横軸、時系列方向を縦軸に並べて２次元のデータとして画像化され、磁気画像として画像処理装置８に伝送されて欠陥判定される。ここで、磁気センサ４は鋼板Ｓの幅方向に複数配列されているとしたが、鋼板Ｓの表面の２次元的な磁気信号の分布が測定できればこれに限らない。例えば磁気センサ４を１列に並べても鋼板Ｓの通板方向にずらして千鳥状に配列しても構わない。磁気センサ４を千鳥状に配列する場合は、後述する磁気信号を画像化する際に磁気センサ４をずらした距離の分補正する必要がある。また、１個の磁気センサ４を鋼板Ｓの幅方向に動かして複数個の代わりとしても構わない。 The sampled signals are imaged as two-dimensional data by arranging the outputs from the magnetic sensors 4 arranged in the width direction of the steel sheet S on the horizontal axis and the time series direction on the vertical axis by the imaging device 7. The image is transmitted as an image to the image processing device 8 and is subjected to defect determination. Here, the plurality of magnetic sensors 4 are arranged in the width direction of the steel sheet S, but the present invention is not limited to this as long as the two-dimensional distribution of the magnetic signal on the surface of the steel sheet S can be measured. For example, the magnetic sensors 4 may be arranged in a line or may be staggered in the direction in which the steel sheets S pass. When the magnetic sensors 4 are arranged in a staggered manner, it is necessary to correct the magnetic sensor 4 by a distance shifted when the magnetic signal described later is imaged. Further, one magnetic sensor 4 may be moved in the width direction of the steel sheet S to be replaced with a plurality of magnetic sensors.
画像処理装置８は、伝送された鋼板Ｓの磁気画像を解析することによって鋼板Ｓ表面に表面欠陥があればそれらを検出し、且つ、それら表面欠陥の種別や有害度を判定して、その情報を表示装置９に出力する。 The image processing device 8 analyzes the transmitted magnetic image of the steel sheet S, detects any surface defects on the surface of the steel sheet S, and determines the type and harmfulness of the surface defects, and determines the information. Is output to the display device 9.
図２に示すように、画像処理装置８は、画像入力部８１、画像補正部８２、テクスチャ特徴画像生成部８３、テクスチャ特徴抽出部８４、異常度算出部８５、及び欠陥候補検出部８６を内部に備えている。また、画像処理装置８は、必要に応じて、欠陥特徴算出部８７及び欠陥判定部８８を内部に備えている。 As shown in FIG. 2, the image processing device 8 includes an image input unit 81, an image correction unit 82, a texture feature image generation unit 83, a texture feature extraction unit 84, an abnormality degree calculation unit 85, and a defect candidate detection unit 86. In preparation. Further, the image processing device 8 includes a defect feature calculation unit 87 and a defect determination unit 88 as necessary.
画像入力部８１は、内部に一時記憶領域を有し、鋼板Ｓの磁気画像のデータを順次一時記憶領域にバッファリングする。 The image input unit 81 has a temporary storage area therein, and sequentially buffers data of a magnetic image of the steel sheet S in the temporary storage area.
画像補正部８２は、画像入力部８１の一時記憶領域から磁気画像のデータを順次読み出し、読み出した磁気画像のデータに対して補正処理を行うことによって補正画像を生成する。補正処理では、画像補正部８２は、まず磁気画像中に鋼板Ｓの両方又は片方のエッジが含まれる場合、そのエッジ位置を検出し、鋼板Ｓのエッジの外側に相当する画像領域を検出対象外領域に設定すると共に、例えばエッジ位置を境界とした鋼板Ｓの内部領域の鏡像で検出対象外領域を埋める。次に、画像補正部８２は、磁気センサ４の感度や増幅器５のゲインのむら等に起因する鋼板Ｓの磁気画像における信号むらを補正し、画像全体が一定の値となるようにする。 The image correcting unit 82 generates a corrected image by sequentially reading the magnetic image data from the temporary storage area of the image input unit 81 and performing a correction process on the read magnetic image data. In the correction processing, first, when both or one edge of the steel sheet S is included in the magnetic image, the image correction unit 82 detects the edge position and excludes an image area corresponding to the outside of the edge of the steel sheet S from the detection target. In addition to setting the area, a non-detection area is filled with, for example, a mirror image of the internal area of the steel sheet S with the edge position as a boundary. Next, the image correction unit 82 corrects the signal unevenness in the magnetic image of the steel sheet S due to the unevenness of the sensitivity of the magnetic sensor 4, the gain of the amplifier 5, and the like so that the entire image has a constant value.
テクスチャ特徴画像生成部８３は、補正画像に対して複数の空間フィルタ処理を施して画像中の各位置における局所的な模様（テクスチャ）の特徴（局所的な周波数特性）を示す各空間フィルタに対応する特徴画像(以下では特にテクスチャ特徴画像ということがある)を複数生成する。ここでいう空間フィルタは、入力画像の対応する画素とその周囲の画素値を用いて出力画像を生成する処理である。特に通過波長域や通過する信号の波形の方向を変えた複数の空間フィルタを用いるとよい。 The texture feature image generation unit 83 performs a plurality of spatial filtering processes on the corrected image and corresponds to each spatial filter indicating a feature (local frequency characteristic) of a local pattern (texture) at each position in the image. A plurality of characteristic images (hereinafter, sometimes referred to as texture characteristic images) are generated. The spatial filter referred to here is a process of generating an output image using corresponding pixels of the input image and pixel values around the pixels. In particular, it is preferable to use a plurality of spatial filters in which the passing wavelength range or the direction of the waveform of the passing signal is changed.
テクスチャ特徴抽出部８４は、テクスチャ特徴画像生成部８３によって生成された複数のテクスチャ特徴画像から入力画像又は補正画像上の各位置に対応した位置の値を抽出して、画像上の各位置のテクスチャ特徴ベクトルを抽出する。テクスチャ特徴ベクトルの数は画像中の全画素数であり、テクスチャ特徴ベクトルの次元はテクスチャ特徴画像の数と一致する。 The texture feature extraction unit 84 extracts a value of a position corresponding to each position on the input image or the corrected image from the plurality of texture feature images generated by the texture feature image generation unit 83, and generates a texture at each position on the image. Extract the feature vector. The number of texture feature vectors is the total number of pixels in the image, and the dimension of the texture feature vector matches the number of texture feature images.
異常度算出部８５は、テクスチャ特徴抽出部８４で抽出された複数のテクスチャ特徴ベクトルがなす多次元空間での分布を解析し、各テクスチャ特徴ベクトルの異常度を算出する。そして、異常度算出部８５は、算出された各テクスチャ特徴ベクトルの異常度を対応する画像上の位置にマッピングして、異常度画像を生成する。 The abnormality degree calculation unit 85 analyzes the distribution in the multidimensional space formed by the plurality of texture feature vectors extracted by the texture feature extraction unit 84, and calculates the degree of abnormality of each texture feature vector. Then, the abnormality degree calculating unit 85 generates an abnormality degree image by mapping the calculated abnormality degree of each texture feature vector to a corresponding position on the image.
欠陥候補検出部８６は、異常度算出部８５によって生成された異常度画像に対して所定の異常度を閾値として二値化を行い、異常度が所定の閾値以上となる画素が連続して繋がる画像領域を欠陥部又は欠陥候補として検出する（ラベリング）。なお、欠陥候補検出部８６は、検出された欠陥候補のうち、面積が小さすぎるもの等、有害欠陥でないとみなせる欠陥候補を除外する処理や、検出位置が近い複数の欠陥候補をまとめて一つの欠陥候補として連結する処理を行ってもよい。 The defect candidate detection unit 86 performs binarization on the abnormality degree image generated by the abnormality degree calculation unit 85 using a predetermined abnormality degree as a threshold, and continuously connects pixels whose abnormality degree is equal to or more than the predetermined threshold. An image area is detected as a defective portion or a defect candidate (labeling). Note that the defect candidate detection unit 86 performs a process of excluding a defect candidate that can be regarded as not a harmful defect, such as a defect candidate having an area that is too small, or a plurality of defect candidates whose detection positions are close to one another. A process of linking as a defect candidate may be performed.
欠陥特徴算出部８７は、欠陥候補検出部８６によって検出された各欠陥候補について、欠陥特徴量を算出する。欠陥特徴量は、補正画像から欠陥候補の領域部分を切り出した欠陥部濃淡画像、及び同じく異常度画像から欠陥候補の領域部分を切り出した欠陥部異常度画像を用いて算出される。 The defect feature calculator 87 calculates a defect feature amount for each defect candidate detected by the defect candidate detector 86. The defect feature amount is calculated using a defect density image obtained by cutting out a defect candidate area from the corrected image, and a defect abnormality level image obtained by cutting out a defect candidate area from the abnormality level image.
欠陥判定部８８は、欠陥特徴算出部８７によって算出された欠陥特徴量に基づいて、各欠陥候補の欠陥種別及び有害度を判定する。 The defect determination unit 88 determines the defect type and the harmfulness of each defect candidate based on the defect feature amount calculated by the defect feature calculation unit 87.
表示装置９は、画像処理装置８によって検出された表面欠陥についての検出情報（表面欠陥部の画像や表面欠陥の位置）、判定情報（種別、有害度）、統計情報（鋼板Ｓ全体についての又は欠陥種別や有害度別の欠陥総数、発生率等）等を表示する。 The display device 9 includes detection information (image of the surface defect portion and the position of the surface defect) on the surface defect detected by the image processing device 8, determination information (type, harmfulness), and statistical information (for the entire steel sheet S or The number of defects, the total number of defects, the occurrence rate, etc. for each defect type and degree of harm are displayed.
〔表面欠陥検出処理〕
次に、図３〜図９を参照して、本発明の一実施形態である表面欠陥検出処理の流れについて詳細に説明する。
(Surface defect detection processing)
Next, the flow of a surface defect detection process according to an embodiment of the present invention will be described in detail with reference to FIGS.
図３は、本発明の一実施形態である表面欠陥検出処理の流れを示すフローチャートである。表面欠陥検出装置１は、表面欠陥検出開始指示を受けると鋼板Ｓに存在する表面欠陥の検出を開始し、画像化装置７によって画像化された磁気画像（以下、入力画像と表記）のデータは画像処理装置８の画像入力部８１内の一時記憶領域に順次バッファリングされる。 FIG. 3 is a flowchart showing the flow of the surface defect detection processing according to one embodiment of the present invention. Upon receiving the surface defect detection start instruction, the surface defect detection device 1 starts detecting surface defects existing in the steel sheet S, and data of a magnetic image (hereinafter, referred to as an input image) imaged by the imaging device 7 is The data is sequentially buffered in a temporary storage area in the image input unit 81 of the image processing device 8.
図３に示すように、表面欠陥検出開始後、画像処理装置８は、画像入力部８１内の一時記憶領域に未処理の入力画像のデータがあるか否かを判別する（ステップＳ１）。判別の結果、未処理の入力画像のデータがない場合（ステップＳ１：Ｎｏ）、画像処理装置８は新しい入力画像のデータが入力されるまで待機する。一方、未処理の入力画像のデータがある場合には（ステップＳ１：Ｙｅｓ）、画像処理装置８は、前処理（ステップＳ２）、欠陥検出処理（ステップＳ３）、及び欠陥判定処理（ステップＳ４）を順次実行する。次に、画像処理装置８は、表面欠陥検出終了指示が出ているか否かを判別する（ステップＳ５）。そして、判別の結果、表面欠陥検出終了指示が出ている場合（ステップＳ５：Ｙｅｓ）、画像処理装置８は表面欠陥検出を終了する。一方、表面欠陥検出終了指示が出ていない場合には（ステップＳ５：Ｎｏ）、画像処理装置８は、ステップＳ１の処理に戻り、表面欠陥検出処理を続行する。 As shown in FIG. 3, after the start of the surface defect detection, the image processing device 8 determines whether or not there is data of an unprocessed input image in a temporary storage area in the image input unit 81 (step S1). As a result of the determination, if there is no unprocessed input image data (step S1: No), the image processing device 8 waits until new input image data is input. On the other hand, if there is unprocessed input image data (step S1: Yes), the image processing device 8 performs preprocessing (step S2), defect detection processing (step S3), and defect determination processing (step S4). Are sequentially executed. Next, the image processing device 8 determines whether a surface defect detection end instruction has been issued (step S5). Then, as a result of the determination, if a surface defect detection end instruction has been issued (step S5: Yes), the image processing device 8 ends the surface defect detection. On the other hand, when the surface defect detection end instruction has not been issued (Step S5: No), the image processing device 8 returns to the process of Step S1 and continues the surface defect detection process.
［前処理］
次に、図４を参照して、上記前処理（ステップＳ２）について説明する。
[Preprocessing]
Next, the pre-processing (step S2) will be described with reference to FIG.
図４は、入力画像に対する前処理の流れを示すフローチャートである。図４に示すように、前処理は、エッジ検出ステップＳ２１、エッジ外部補正ステップＳ２２、及びシェーディング補正ステップＳ２３を含んでいる。これらの処理は画像補正部８２にて実行される。 FIG. 4 is a flowchart showing the flow of preprocessing for an input image. As shown in FIG. 4, the pre-processing includes an edge detection step S21, an edge external correction step S22, and a shading correction step S23. These processes are executed by the image correction unit 82.
エッジ検出ステップＳ２１では、画像補正部８２が、入力画像Ｉ（ｘ，ｙ）から鋼板Ｓのエッジ位置を検出する。ここで、ｘは鋼板Ｓの幅方向に対応する画素座標、ｙは鋼板Ｓの通板方向に対応する画素座標であり、ｘ＝０，１，…，ｎx−１、ｙ＝０，１，…，ｎy−１とする。ここで、ｎxは画像のｘ方向のサイズ、ｎyはｙ方向のサイズである。 In the edge detection step S21, the image correction unit 82 detects an edge position of the steel sheet S from the input image I (x, y). Here, x is the pixel coordinate, y corresponding to the width direction of the steel sheet S is a pixel coordinate corresponding to the sheet passing direction of the steel sheet S, x = 0,1, ..., n x -1, y = 0,1 , ..., n y -1. Here, nx is the size of the image in the x direction, and ny is the size in the y direction.
エッジ外部補正ステップＳ２２では、画像補正部８２が、鋼板Ｓのエッジの外側を検出処理対象外領域として指定すると共に、例えばエッジ内側の領域の値を鏡像で検出処理対象外領域に補うことによってエッジ部が検出されないように無害化したエッジ外部補正画像ＩE（ｘ，ｙ）を生成する。 In the edge outside correction step S22, the image correction unit 82 designates the outside of the edge of the steel sheet S as a region not to be subjected to the detection processing, and supplements the value of the region inside the edge with a mirror image to the region not to be subjected to the detection processing. A harmless edge external correction image I E (x, y) is generated so that no part is detected.
シェーディング補正ステップＳ２３では、画像補正部８２が、エッジ外部補正画像ＩE（ｘ，ｙ）の輝度むらを補正（シェーディング補正）して画像全体の明るさを均一化した補正画像ＩC（ｘ，ｙ）を計算する。シェーディング補正処理では、例えば１次元の輝度の移動平均値を元の画像の輝度から引き移動平均値で割って規格化してもよいし、これをｘ方向及びｙ方向の両方向とした２次元の輝度の移動平均値としても良い。また、輝度の移動平均値の代わりに任意のローパスフィルタを用いても良い。また、簡便な方法としては、輝度の差分を用いても良いし、さらにはそれに等価なハイパスフィルタを用いてもよい。 In the shading correction step S23, the image correction unit 82 corrects (shading correction) the luminance unevenness of the edge external correction image I E (x, y) to make the corrected image I C (x, y) uniform in brightness. Calculate y). In the shading correction processing, for example, the moving average value of one-dimensional luminance may be subtracted from the luminance of the original image and divided by the moving average value to standardize the moving average value, or the two-dimensional luminance may be defined as both the x direction and the y direction. May be used as the moving average. Further, an arbitrary low-pass filter may be used instead of the moving average value of the luminance. In addition, as a simple method, a difference in luminance may be used, or a high-pass filter equivalent to the difference may be used.
なお、以上の一連の前処理において、入力画像Ｉ（ｘ，ｙ）の状態に応じてエッジ検出処理ステップＳ２１、エッジ外部補正ステップＳ２２、及びシェーディング補正ステップＳ２３を実施するか否かは適宜選択されてよく、例えばいずれのステップも実施しない場合は補正画像ＩC（ｘ，ｙ）＝入力画像Ｉ（ｘ，ｙ）となる。 In the above series of preprocessing, whether to execute the edge detection processing step S21, the edge external correction step S22, and the shading correction step S23 is appropriately selected according to the state of the input image I (x, y). For example, when neither step is performed, the corrected image I C (x, y) = the input image I (x, y).
［欠陥検出処理］
次に、図５〜図７を参照して、上記欠陥検出処理（ステップＳ３）について説明する。
[Defect detection processing]
Next, the defect detection processing (step S3) will be described with reference to FIGS.
図５は、補正画像に対する欠陥検出処理の流れを示すフローチャートである。図５に示すように、欠陥検出処理は、テクスチャ特徴画像生成ステップＳ３１、テクスチャ特徴抽出ステップＳ３２、異常度算出ステップＳ３３、及び欠陥候補検出ステップＳ３４を含んでいる。 FIG. 5 is a flowchart showing the flow of the defect detection process for the corrected image. As shown in FIG. 5, the defect detection processing includes a texture feature image generation step S31, a texture feature extraction step S32, an abnormality degree calculation step S33, and a defect candidate detection step S34.
テクスチャ特徴画像生成ステップＳ３１では、テクスチャ特徴画像生成部８３が、補正画像ＩC（ｘ，ｙ）に対し複数のフィルタ処理を施してテクスチャ特徴画像Ｆj（ｘ，ｙ）（ｊ＝０，１，２，…，ＮT−１）を生成する。ここで、ＮTは空間フィルタの数である。本実施形態では、空間フィルタとしてガボール（Ｇａｂｏｒ）フィルタを用いる。ガボールフィルタは以下に示す数式（１）によって表されるガボール関数を用いた線形フィルタである。 In the texture feature image generation step S31, the texture feature image generation unit 83 performs a plurality of filtering processes on the corrected image I C (x, y) to perform the texture feature image F j (x, y) (j = 0, 1). , 2,..., N T -1). Here, NT is the number of spatial filters. In the present embodiment, a Gabor filter is used as a spatial filter. The Gabor filter is a linear filter using a Gabor function represented by the following equation (1).
数式（１）は、ガボールフィルタの一般式を示し、正弦波にガウス型の減衰関数を乗算した形式となっている。数式（１）において、λは正弦波の波長、θはガボール関数の縞模様の方向、ａは波長の広がり(ガウス関数のバンド幅)を表している。また、ｂは、空間アスペクト比を表し、ガボール関数のサポートの楕円率を表している。また、ｉは虚数単位である。図６（ａ），（ｂ）は、数式（１）においてλ＝８，θ＝１２０°，ａ＝０．１２５，ｂ＝１．５としたガボール関数Ｇａｂｏｒ（ｘ，ｙ：ａ，ｂ，λ，θ）を３次元空間にプロットした図である。図６（ａ），（ｂ）に示すように、ガボール関数Ｇａｂｏｒ（ｘ，ｙ：ａ，ｂ，λ，θ）は、ガウス関数を窓関数として無限に広がる正弦波を切り取った形をしている。ａ，ｂ，θを任意に変えることでガボール関数の向き、波の方向、及び減衰率を変えることができる。 Formula (1) shows a general formula of a Gabor filter, which is a form in which a sine wave is multiplied by a Gaussian attenuation function. In Expression (1), λ represents the wavelength of a sine wave, θ represents the direction of the stripe pattern of the Gabor function, and a represents the spread of the wavelength (the Gaussian function bandwidth). B represents the spatial aspect ratio and represents the ellipticity of the support of the Gabor function. I is an imaginary unit. FIGS. 6A and 6B show Gabor functions Gabor (x, y: a, b, λ = 8, θ = 120 °, a = 0.125, b = 1.5 in equation (1)). [lambda], [theta]) is plotted in a three-dimensional space. As shown in FIGS. 6A and 6B, the Gabor function Gabor (x, y: a, b, λ, θ) is obtained by cutting off an infinitely wide sine wave using a Gaussian function as a window function. I have. The direction of the Gabor function, the direction of the wave, and the attenuation rate can be changed by arbitrarily changing a, b, and θ.
画像解析では、数式（１）に示すガボール関数を空間フィルタとして用いるが、特にｂ＝１，ａ＝１／λとした以下の数式（２）に示すガボール関数を用いることがある。そこで、以下では数式（２）に基づき説明する。 In the image analysis, the Gabor function shown in Equation (1) is used as a spatial filter. In particular, the Gabor function shown in Equation (2) below with b = 1 and a = 1 / λ may be used. Therefore, the following description will be made based on Expression (2).
ガボールフィルタを画像に畳み込み演算することにより、波長λ（画素）及び波の向きθの局所的周波数成分を抽出できる。また、パラメータλ及びθを様々に変化させ、さらにはｘ方向及びｙ方向のスケールを様々に変化させる（例えばｘをｘ／４に置換すると、ｘ方向の広がりを４倍大きくすることになる）ことにより、それに対応した画像の局所的周波数成分を抽出できる。一方、実用的な計算においてガボールフィルタの広がりを大きくすると畳み込み演算の計算時間が増大してしまう。このため、以下に説明するようにガボールフィルタの広がりを大きくする代わりに、ダウンサンプリングして画像を縮小する手法を用いるとよい。但し、エイリアシングを防止するために、被フィルタリング画像に予めローパスフィルタを適用しておくことが望ましい。 By convolving the Gabor filter with the image, local frequency components of the wavelength λ (pixel) and the wave direction θ can be extracted. Further, the parameters λ and θ are variously changed, and further, the scales in the x direction and the y direction are variously changed (for example, when x is replaced with x / 4, the spread in the x direction becomes four times larger). Thereby, a local frequency component of the image corresponding to the extracted image can be extracted. On the other hand, if the spread of the Gabor filter is increased in practical calculation, the calculation time of the convolution operation increases. Therefore, instead of enlarging the spread of the Gabor filter as described below, a method of downsampling and reducing the image may be used. However, it is desirable to apply a low-pass filter to the filtered image in advance to prevent aliasing.
図７は、本発明の実施形態におけるガボールフィルタ処理を表すブロック線図である。図７において、Ｇq（ｘ，ｙ）（ｑ＝０，１，２，３）及びＨs（ｘ，ｙ）（ｓ＝０，１，２）は、以下の数式（３）〜（６）に示す定義に従ったｋx×ｋy画素のフィルタ係数行列であり、ガボールフィルタを画像に畳み込み演算して適用することを意味する。但し、フィルタ係数行列の中央の座標（ｘ，ｙ）は（０，０）とする。なお、以下に示す数式（３），（５）ではλ＝４、以下に示す数式（４），（６）ではλ＝４／√２としているが、これはサンプリング定理(λ≧２)及び検出したい対象の信号の該当する方向の空間周波数から決定する。 FIG. 7 is a block diagram illustrating Gabor filter processing according to the embodiment of the present invention. In FIG. 7, G q (x, y) (q = 0, 1, 2, 3) and H s (x, y) (s = 0, 1, 2) are represented by the following equations (3) to (6). ) k x × according to the definition shown in k y pixels a filter coefficient matrix, meant to apply to convolution operation Gabor filter to the image. However, the coordinates (x, y) at the center of the filter coefficient matrix are (0, 0). Note that λ = 4 in the following equations (3) and (5) and λ = 4 / √2 in the following equations (4) and (6). This is based on the sampling theorem (λ ≧ 2) and It is determined from the spatial frequency of the target signal to be detected in the corresponding direction.
数式（３）〜（６）に示す定義においては、ｋx＝ｋy＝１１が好適である。これは、図６（ａ）に示すガボール関数における波の進行方向(θ（＝１２０°）方向)の波の数が２．５周期以上を含むことによる。この条件を満たすためには、より正確にはｋx／（λｃｏｓθ）＞２．５、且つ、ｋy／（λｓｉｎθ）＞２．５との条件を満たす必要がある。また、このとき、数式（２）の第１項の減衰が中央の１０％以下となっており、ガボールフィルタによって空間的に局在した信号を抽出することができる。 In the definitions shown in Expressions (3) to (6), k x = k y = 11 is preferable. This is because the number of waves in the wave traveling direction (θ (= 120 °) direction) in the Gabor function shown in FIG. To satisfy this condition, it is necessary to more precisely satisfy the conditions of k x / ( λ cos θ) > 2.5 and k y / ( λ sin θ)> 2.5. Further, at this time, the attenuation of the first term of the equation (2) is 10% or less of the center, and a spatially localized signal can be extracted by the Gabor filter.
また、図７において、ＬＰはｘｙの２次元方向、ＬＰＹはｙ方向のローパスフィルタであり、例えば以下の数式（７），（８）に示す定義に従ったフィルタ行列を画像に適用することを意味する。ローパスフィルタＬＰＹはｙ方向４点の移動平均となる向きに畳み込み演算される。ローパスフィルタＬＰ，ＬＰＹは後述するダウンサンプリングする際のエイリアシングを防止するフィルタとして設計されている。エイリアシングを防止できれば必ずしも以下の数式（７），（８）に示すローパスフィルタでなくても構わない。 In FIG. 7, LP is a low-pass filter in the xy two-dimensional direction, and LPY is a low-pass filter in the y direction. For example, it is assumed that a filter matrix according to the definitions shown in the following equations (7) and (8) is applied to an image. means. The low-pass filter LPY is convolution-operated in a direction that becomes a moving average of four points in the y direction. The low-pass filters LP and LPY are designed as filters that prevent aliasing during downsampling, which will be described later. As long as the aliasing can be prevented, the low-pass filters shown in the following equations (7) and (8) are not necessarily required.
上記の２つのローパスフィルタＬＰ，ＬＰＹを画像に畳み込み演算する際は、画像境界の外側は鏡像と仮定して計算が行われる。また、図７において「Ｘ２，Ｙ２」と表記したブロックは、画像のｘ方向及びｙ方向で各々２画素おきに抽出して、画像サイズをｘ方向及びｙ方向に各々１／２にするダウンサンプリング処理を示す。また、「Ｙ４」と表記したブロックは、ｙ方向のみ４画素おきに抽出して、画像サイズをｙ方向に１／４にするダウンサンプリング処理を示す。以下、図７に示すブロック線図に従った一連のガボールフィルタ処理について説明する。 When the above two low-pass filters LP and LPY are convolved with an image, the calculation is performed assuming that the outside of the image boundary is a mirror image. In FIG. 7, blocks denoted as “X2, Y2” are extracted every two pixels in the x and y directions of the image, and down-sampled to reduce the image size to １ ／ in the x and y directions. Indicates processing. The block denoted by “Y4” indicates a down-sampling process in which the image size is extracted every four pixels only in the y direction and the image size is reduced to １ ／ in the y direction. Hereinafter, a series of Gabor filter processes according to the block diagram shown in FIG. 7 will be described.
まず、テクスチャ特徴画像生成部８３は、初期画像をＩ0（ｘ，ｙ）＝Ｉc（ｘ，ｙ）とする。次に、テクスチャ特徴画像生成部８３は、初期画像Ｉ0（ｘ，ｙ）に対し順次ローパスフィルタＬＰと「Ｘ２，Ｙ２」型のダウンサンプリングを実行して縮小画像Ｉp（ｐ＝１，２，３）（ｘ，ｙ）を計算する。Ｉp（ｘ，ｙ）は、ローパスフィルタＬＰと「Ｘ２，Ｙ２」型のダウンサンプリングをｐ回行った縮小画像である。さらに、テクスチャ特徴画像生成部８３は、初期画像を含む縮小画像Ｉp（ｘ，ｙ）（ｐ＝０，１，２，３）の各々に対し、４種類のガボールフィルタＧq（ｘ，ｙ）（ｑ＝０，１，２，３）を各々畳み込み演算して、特徴画像Ｉpq（ｘ，ｙ）（ｐ＝０，１，２，３，ｑ＝０，１，２，３）を計算する。 First, the texture feature image generation unit 83 sets the initial image as I 0 (x, y) = I c (x, y). Next, the texture feature image generation unit 83 sequentially executes a low-pass filter LP and “X2, Y2” type down-sampling on the initial image I 0 (x, y) to perform the reduced image I p (p = 1, 2). , 3) calculate (x, y). I p (x, y) is a reduced image obtained by performing the low-pass filter LP and “X2, Y2” type downsampling p times. Further, the texture feature image generation unit 83 generates four types of Gabor filters G q (x, y) for each of the reduced images I p (x, y) (p = 0, 1, 2, 3) including the initial image. ) (Q = 0, 1, 2, 3) are convoluted with each other to obtain a feature image I pq (x, y) (p = 0, 1, 2, 3, q = 0, 1, 2, 3). calculate.
この段階で合計１６種類の特徴画像Ｉpq（ｘ，ｙ）が得られるが、特徴画像Ｉpq（ｘ，ｙ）はガボールフィルタの定義式（数式（１））より複素数であるため実部画像と虚部画像とに分解すると合計３２種類の特徴画像が得られる。このため、これらをテクスチャ特徴画像Ｆj（ｘ，ｙ）（ｊ＝０、１，２，…，３１，すなわちＮT＝３２）とする。但し、ｐ≧１の場合の特徴画像Ｉpq（ｘ，ｙ）はダウンサンプリングによって縮小されているので、初期画像Ｉ0（ｘ，ｙ）と同じサイズに拡大してテクスチャ特徴画像とする。拡大方法しては、線形補間、一番近傍の画素と同じ値とする手法、特徴画像Ｉpq（ｘ，ｙ）の各画素の値と同じ値をダウンサンプリングされた方向、数だけコピーして埋める手法でも構わない。 At this stage, a total of 16 types of feature images I pq (x, y) are obtained. Since the feature images I pq (x, y) are complex numbers according to the Gabor filter definition formula (formula (1)), the real part image And imaginary part images, a total of 32 types of feature images are obtained. Therefore, these are set as texture feature images F j (x, y) (j = 0, 1, 2,..., 31, that is, NT = 32). However, since the feature image I pq (x, y) in the case of p ≧ 1 has been reduced by downsampling, it is enlarged to the same size as the initial image I 0 (x, y) to be a texture feature image. As the enlargement method, linear interpolation, a method of making the same value as the nearest pixel, and copying the same value as the value of each pixel of the feature image I pq (x, y) in the down-sampled direction and by the number are performed. A filling method may be used.
この演算により、空間周波数が異なる空間フィルタと空間フィルタの波形の方向が異なる空間フィルタとを組み合わせて元の画像にかけることができている。特に、ダウンサンプリングしてから元の空間フィルタを演算することにより、少ない計算量で元の画像に対して空間周波数の大きな空間フィルタをかけた場合と同じ効果が得られる。以上の処理によって得られる３２種類のテクスチャ特徴画像Ｆj（ｘ，ｙ）（ｊ＝０，２，…，３１）を用いても良いが、さらに図７における点線で囲まれた「線状欠陥用拡張処理」を実行することで、鋼板Ｓの流れ方向に細長い欠陥に対しての検出感度を高めることができる。「線状欠陥用拡張処理」は縮小画像Ｉp（ｘ，ｙ）（ｐ＝０，１，２，３）を計算した後、次のように実行する。 By this calculation, a spatial filter having a different spatial frequency and a spatial filter having a different waveform direction from the spatial filter can be combined and applied to the original image. In particular, by calculating the original spatial filter after downsampling, the same effect can be obtained as with a case where a spatial filter having a large spatial frequency is applied to the original image with a small amount of calculation. Although 32 types of texture feature images F j (x, y) (j = 0, 2,..., 31) obtained by the above processing may be used, the “linear defect surrounded by a dotted line in FIG. By performing the “use expansion process”, the detection sensitivity for a defect elongated in the flow direction of the steel sheet S can be increased. The “extension processing for linear defects” is executed as follows after calculating the reduced image I p (x, y) (p = 0, 1, 2, 3).
まず、テクスチャ特徴画像生成部８３は、画像Ｉ0（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ0（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ0s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部８３は、画像Ｊ0（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ1（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ1s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部８３は、画像Ｊ1（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ2（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ2s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。 First, the texture feature image generation unit 83 applies three types of image J 0 (x, y) generated by performing “Y4” type down-sampling on the image I 0 (x, y). A Gabor filter H s (x, y) (s = 0, 1, 2) is convoluted to calculate a feature image J 0s (x, y) (s = 0, 1, 2). Further, the texture feature image generation unit 83 performs three types of image J 1 (x, y) generated by performing “Y4” type down-sampling on the image J 0 (x, y). A Gabor filter H s (x, y) (s = 0, 1, 2) is convoluted to calculate a feature image J 1s (x, y) (s = 0, 1, 2). Furthermore, the texture feature image generating unit 83, an image J 1 (x, y) for the "Y4" type image J 2 generated by performing downsampling (x, y), the three types of A Gabor filter H s (x, y) (s = 0, 1, 2) is convoluted to calculate a feature image J 2s (x, y) (s = 0, 1, 2).
次に、テクスチャ特徴画像生成部８３は、画像Ｉ1（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ3（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ3s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部８３は、画像Ｊ3（ｘ，ｙ）に対してさらに「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ4（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ4s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。次に、テクスチャ特徴画像生成部８３は、画像Ｉ2（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ5（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ5s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部８３は、画像Ｊ5（ｘ，ｙ）に対してさらに「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ6（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ6s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。 Next, the texture feature image generation unit 83 applies three types of image J 3 (x, y) generated by performing “Y4” type downsampling on the image I 1 (x, y). Of the Gabor filter H s (x, y) (s = 0, 1, 2) is calculated by convolution calculation of the characteristic image J 3s (x, y) (s = 0, 1, 2). Furthermore, the texture feature image generating unit 83, an image J 3 (x, y) further "Y4" type image J 4 (x, y) generated by applying the downsampling against against, three Of the Gabor filter H s (x, y) (s = 0, 1, 2) is calculated by convolution calculation of the characteristic image J 4s (x, y) (s = 0, 1, 2). Next, the texture feature image generation unit 83 performs three types of image J 5 (x, y) generated by performing “Y4” type downsampling on the image I 2 (x, y). Of the Gabor filter H s (x, y) (s = 0, 1, 2) is calculated by convolution calculation of the characteristic image J 5s (x, y) (s = 0, 1, 2). Furthermore, the texture feature image generating unit 83, an image J 5 (x, y) image J 6 generated by performing downsampling further "Y4" type with respect to (x, y), three Of each of the Gabor filters H s (x, y) (s = 0, 1, 2) is calculated to calculate a feature image J 6s (x, y) (s = 0, 1, 2).
次に、テクスチャ特徴画像生成部８３は、画像Ｉ3（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ7（ｘ，ｙ）に対して、３種類のガボールフィルタＨs（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ7s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。以上の演算により、ｙ方向により長い空間周波数の空間フィルタをかけることが可能になり、ｙ方向に長い表面欠陥に対するＳ／Ｎ比を上げることができる。ｙ方向に長い表面欠陥が発生する方向、すなわち、鋼板Ｓの製造工程では鋼板Ｓの通板方向にすることで長い表面欠陥の検出が容易になるメリットがある。 Next, the texture feature image generation unit 83 performs three types of image J 7 (x, y) generated by performing “Y4” type downsampling on the image I 3 (x, y). Of each of the Gabor filters H s (x, y) (s = 0, 1, 2) is calculated to calculate a feature image J 7s (x, y) (s = 0, 1, 2). By the above calculation, it is possible to apply a spatial filter having a longer spatial frequency in the y direction, and it is possible to increase the S / N ratio for a surface defect long in the y direction. There is a merit that the detection of the long surface defect is facilitated by setting the direction in which the long surface defect occurs in the y direction, that is, the passing direction of the steel sheet S in the manufacturing process of the steel sheet S.
以上により、新たに３２種類の特徴画像Ｊrs（ｘ，ｙ）（ｒ＝０，１，…，７，ｓ＝０，１，２）が得られる。先に得られた１６種類の特徴画像Ｉpqと合わせた全特徴画像のうち、図７において終端となっている特徴画像Ｉpq（ｘ，ｙ）（ｐ＝０，１，２，３，ｑ＝１，２，３）、Ｊ00（ｘ，ｙ），Ｊ02（ｘ，ｙ）、Ｊ10（ｘ，ｙ），Ｊ12（ｘ，ｙ）、Ｊ20（ｘ，ｙ），Ｊ21（ｘ，ｙ），Ｊ22（ｘ，ｙ），Ｊ30（ｘ，ｙ），Ｊ32（ｘ，ｙ），Ｊ40（ｘ，ｙ），Ｊ41（ｘ，ｙ），Ｊ42（ｘ，ｙ），Ｊ50（ｘ，ｙ），Ｊ52（ｘ，ｙ），Ｊ60（ｘ，ｙ），Ｊ61（ｘ，ｙ）、Ｊ62（ｘ，ｙ）、Ｊ70（ｘ，ｙ）、Ｊ71（ｘ，ｙ），Ｊ72（ｘ，ｙ）の計３２種類を実部画像と虚部画像とに分解して得られる６４種類の特徴画像をテクスチャ特徴画像Ｆj（ｘ，ｙ）（ｊ＝０，１，２，…，６４，すなわちＮT＝６４）とする。 As described above, 32 types of characteristic images J rs (x, y) (r = 0, 1,..., 7, s = 0, 1, 2) are newly obtained. Of all the feature images combined with the 16 types of feature images I pq obtained earlier, the feature image I pq (x, y) (p = 0, 1, 2, 3, q = 1, 2, 3), J 00 (x, y), J 02 (x, y), J 10 (x, y), J 12 (x, y), J 20 (x, y), J 21 (x, y), J 22 (x, y), J 30 (x, y), J 32 (x, y), J 40 (x, y), J 41 (x, y), J 42 (x , Y), J 50 (x, y), J 52 (x, y), J 60 (x, y), J 61 (x, y), J 62 (x, y), J 70 (x, y) ), J 71 (x, y ), J 72 (x, y) of the total 32 kinds 64 kinds of feature images obtained by decomposing the real part image and the imaginary part image texture feature image F j (x, y) (j = 0, 1, 2,..., 64, that is, NT = 64).
但し、「線状欠陥用拡張処理」を行わない場合と同じく、特徴画像Ｊrs（ｘ，ｙ）もダウンサンプリング処理によって縮小されているので、初期画像Ｉ0（ｘ，ｙ）と同じサイズに拡大してテクスチャ特徴画像とする。なお、ｊの値と各特徴画像の対応は任意に決めて構わないがここでは便宜的に上述した特徴画像をＩ，Ｊのそれぞれ添え字が小さいものから実部、虚部の順にＩ00（ｘ，ｙ）の実部＝０，Ｉ00（ｘ，ｙ）の虚部＝１，Ｉ01（ｘ，ｙ）の実部＝２，…，Ｊ00（ｘ，ｙ）の実部＝２５，…，Ｊ72（ｘ，ｙ）の虚部＝６４と表す。 However, the feature image J rs (x, y) is also reduced in size by the down-sampling process, as in the case where the “extended process for linear defects” is not performed, so that it has the same size as the initial image I 0 (x, y). The image is enlarged to be a texture feature image. Note that the correspondence between the value of j and each feature image may be determined arbitrarily, but here, for convenience, the above-described feature images are represented by I 00 ( (x, y) real part = 0, imaginary part of I 00 (x, y) = 1, real part of I 01 (x, y) = 2,..., real part of J 00 (x, y) = 25 ,..., J 72 (x, y) = 64.
本アルゴリズムでは、Ｉ01（ｘ，ｙ），Ｉ02（ｘ，ｙ），Ｉ03（ｘ，ｙ），Ｉ11（ｘ，ｙ），Ｉ12（ｘ，ｙ），Ｉ13（ｘ，ｙ），Ｉ21（ｘ，ｙ），Ｉ22（ｘ，ｙ），Ｉ23（ｘ，ｙ），Ｉ31（ｘ，ｙ），Ｉ32（ｘ，ｙ），Ｉ33（ｘ，ｙ）の１２種類にＪ00（ｘ，ｙ），Ｊ02（ｘ，ｙ），Ｊ10（ｘ，ｙ），Ｊ12（ｘ，ｙ），Ｊ20（ｘ，ｙ），Ｊ21（ｘ，ｙ），Ｊ22（ｘ，ｙ），Ｊ30（ｘ，ｙ），Ｊ32（ｘ，ｙ），Ｊ40（ｘ，ｙ），Ｊ41（ｘ，ｙ），Ｊ42（ｘ，ｙ），Ｊ50（ｘ，ｙ），Ｊ52（ｘ，ｙ），Ｊ60（ｘ，ｙ），Ｊ61（ｘ，ｙ），Ｊ62（ｘ，ｙ），Ｊ70（ｘ，ｙ），Ｊ71（ｘ，ｙ），Ｊ72（ｘ，ｙ）の２０種類を加えた３２種類を実部と虚部の画像に分解して得られる６４種類のテクスチャ特徴画像Ｆj（ｘ，ｙ）（ｊ＝０，１，２，…，６３）を用いている。Ｉ00（ｘ，ｙ），Ｉ10（ｘ，ｙ），Ｉ20（ｘ，ｙ），Ｉ30（ｘ，ｙ）を加えた６８種類のテクスチャ特徴画像を用いてもよいが、Ｉ00（ｘ，ｙ），Ｉ10（ｘ，ｙ），Ｉ20（ｘ，ｙ），Ｉ30（ｘ，ｙ）のフィルタを高速フーリエ変換（ＦＦＴ）した周波数領域での通過域がＪxx（ｘ，ｙ）のフィルタでカバーされているため省略が可能になっている。６４種類に限定することで、単に計算量が少なくなるだけではなく、２の６乗の画像を用いるので後の計算で数字を扱いやすいメリットがある。 In the present algorithm, I 01 (x, y), I 02 (x, y), I 03 (x, y), I 11 (x, y), I 12 (x, y), I 13 (x, y) ), I 21 (x, y), I 22 (x, y), I 23 (x, y), I 31 (x, y), I 32 (x, y), I 33 (x, y) J 00 (x, y), J 02 (x, y), J 10 (x, y), J 12 (x, y), J 20 (x, y), J 21 (x, y) , J 22 (x, y), J 30 (x, y), J 32 (x, y), J 40 (x, y), J 41 (x, y), J 42 (x, y), J 50 (x, y), J52 (x, y), J60 (x, y), J61 (x, y), J62 (x, y), J70 (x, y), J71 ( x, y), J 72 ( x, y) 20 type 32 type 64 type obtained by decomposing the image of the real part and the imaginary part obtained by adding the texture feature images F j (x, y) j = 0,1,2, ..., are used 63). I 00 (x, y), I 10 (x, y), I 20 (x, y), I 30 (x, y) may be used 68 kinds of texture feature image plus but, I 00 ( x, y), I 10 (x, y), I 20 (x, y), and I 30 (x, y) filters obtained by fast Fourier transform (FFT) have a pass band J xx (x, y) in the frequency domain. Since it is covered by the filter of y), it can be omitted. By limiting the number to 64 types, not only the amount of calculation is reduced, but also there is a merit that a number can be easily handled in subsequent calculations because a 2 6 image is used.
なお、テクスチャ特徴画像生成ステップＳ３１における実施形態は上記に限定されず、他の任意の空間フィルタ群を用いることができる。例えば２次元のウェーブレット変換やウェーブレットパケット変換を適用することが可能であり、最も簡単なものはＨａａｒウェーブレットである。他にも微分フィルタやエッジ抽出フィルタ、ＤｏＧ（Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ｇａｕｓｓｉａｎ）フィルタ、ＬｏＧ（Ｌａｐｌａｃｉａｎ ｏｆ Ｇａｕｓｓｉａｎ）フィルタ等を用いたり、それらを組み合わせて用いたりしても良い。 The embodiment in the texture feature image generation step S31 is not limited to the above, and any other spatial filter group can be used. For example, a two-dimensional wavelet transform or a wavelet packet transform can be applied, and the simplest is a Haar wavelet. Alternatively, a differential filter, an edge extraction filter, a DoG (Difference of Gaussian) filter, a LoG (Laplacian of Gaussian) filter, or the like may be used, or a combination thereof may be used.
次に、テクスチャ特徴抽出ステップＳ３２では、テクスチャ特徴抽出部８４が、各画素におけるテクスチャ特徴ベクトルを抽出する。特徴画像Ｆj（ｘ，ｙ）＝｛ｆj（ｘ，y)｝（ｆj(ｘ，ｙ)は座標ｘ，ｙにおける特徴画像Ｆj（ｘ，ｙ）の値を示す)に対して、以下の数式（９）に示すようにｘ，ｙの組を別のインデックスｉで置き換え、以下の数式（１０）に示すようにＦj’＝｛ｆi,j｝；ｊ＝０，２，…，ＮT−１と特徴ベクトルを定義することができる。ここで、ｉは入力画像（補正画像）の画素（ｘ，ｙ）に割り当てられたユニークなインデックスであり、例えばｉ＝ｎx×ｙ＋ｘと定義され、ｉ＝０，１，２，…，ｎx×ｎy−１である。また、ｆi,j＝ｆj（ｘ，ｙ）である。 Next, in a texture feature extraction step S32, the texture feature extraction unit 84 extracts a texture feature vector for each pixel. For feature image F j (x, y) = {f j (x, y)} (f j (x, y) indicates the value of feature image F j (x, y) at coordinates x, y) , As shown in the following equation (9), the pair of x and y is replaced with another index i, and as shown in the following equation (10), F j ′ = {f i, j }; j = 0,2 ,..., N T -1 can be defined. Here, i pixels of the input image (corrected image) (x, y) is a unique index assigned to, is defined, for example, i = n x × y + x , i = 0,1,2, ..., n x × ny- 1. Also, f i, j = f j (x, y).
次に、異常度算出ステップＳ３３では、異常度算出部８５が、テクスチャ特徴抽出ステップＳ３２で抽出したテクスチャ特徴ベクトルのＮT次元空間での分布を統計的に解析して、入力画像（補正画像）の各画素における異常度を算出し、異常度画像を生成する。異常度としては例えばマハラノビス距離を用いる。具体的には、まず、異常度算出部８５は、以下の数式（１１）に示すように、特徴ベクトルＦjを行ベクトルとしそれを列方向に並べた行列Ｆを用意する。 Next, in an anomaly degree calculation step S33, the anomaly degree calculation unit 85 statistically analyzes the distribution of the texture feature vector extracted in the texture feature extraction step S32 in the NT dimensional space, and obtains an input image (corrected image). Is calculated for each pixel, and an abnormality level image is generated. As the degree of abnormality, for example, the Mahalanobis distance is used. Specifically, first, as shown in the following equation (11), the abnormality degree calculation unit 85 prepares a matrix F in which the feature vectors F j are set as row vectors and arranged in the column direction.
これに対して、異常度算出部８５は、以下の数式（１２）に示すｍjを計算する。数式（１２）中のΣは全画素についての和を示し、ｍjは行列Ｆの全画素についての平均である。 On the other hand, the abnormality degree calculation unit 85 calculates m j shown in the following equation (12). In Expression (12), Σ indicates the sum of all pixels, and m j is the average of all pixels of the matrix F.
次に、異常度算出部８５は、以下の数式（１３）に示すように行列Ｆから平均ｍjを引いた行列Ｚ（＝｛ｚi,j｝）を求める。 Next, the degree-of-abnormality calculating unit 85 obtains a matrix Z (= {z i, j }) obtained by subtracting the average m j from the matrix F as shown in the following equation (13).
ここで、以下の数式（１４）に示すように、異常度算出部８５は、分散共分散行列Ｃ＝｛ｃj1,j2｝（ｊ１，ｊ２＝０，１，２，…，Ｎt−１）をｚi,jから算出する。 Here, as shown in the following equation (14), the anomaly degree calculation unit 85 calculates the variance-covariance matrix C = {c j1, j2 } (j1, j2 = 0,1,2,..., N t −1) ) Is calculated from z i, j .
次に、異常度算出部８５は、以下の数式（１５）に示すようにマハラノビス距離Ｄi（正しくはマハラノビス距離の２乗であるが、単にマハラノビス距離と呼ぶことにする）を算出する。 Next, the abnormality degree calculating unit 85, the Mahalanobis distance D i as shown in the following formula (15) (correctly is a square of the Mahalanobis distance, simply referred to as a Mahalanobis distance) is calculated.
但し、Ｗ＝｛ｗi,j｝は連立方程式ＷＣ＝Ｚの解、すなわちＷ＝ＺＣ-1である。そして最後に、異常度算出部８５は、インデックスｉよりマハラノビス距離Ｄiを座標（ｘ，ｙ）にマッピングし直して異常度画像Ｄ（ｘ，ｙ）＝Ｄi（ｉ＝ｘ＋ｎx×ｙ）を得る。 Here, W = {wi , j } is a solution of the simultaneous equations WC = Z, that is, W = ZC -1 . Finally, error probability calculation unit 85, coordinates the Mahalanobis distance D i than the index i (x, y) and re-mapped to the abnormal level image D (x, y) = D i (i = x + n x × y) Get.
なお、このマハラノビス距離を求める計算は、以下の操作と等価である。すなわち、ＮT枚の特徴画像Ｆj（ｘ，ｙ）を座標毎に見てみると、ｆ1（ｘ，ｙ），ｆ2（ｘ，ｙ），…，ｆNT（ｘ，ｙ）のＮT次元の値を持っていることがわかる。これをｐ（ｘ，ｙ）＝（ｆ1（ｘ，ｙ），ｆ2（ｘ，ｙ）,…，ｆNT（ｘ，ｙ）)とＮT次元空間の点として表すことができる。このように画像上の全画素をＮT次元空間にプロットする。プロットした集合をばらつきについて規格化し、その規格化された空間で原点からの距離を求めたものがマハラノビス距離である。 The calculation for obtaining the Mahalanobis distance is equivalent to the following operation. That is, when looking at N T single feature image F j (x, y) to each coordinate, f 1 (x, y) , f 2 (x, y), ..., f NT (x, y) of It can be seen that it has an NT dimension value. This p (x, y) = ( f 1 (x, y), f 2 (x, y), ..., f NT (x, y)) can be expressed as a point of N T-dimensional space. Thus, all the pixels on the image are plotted in the NT dimensional space. Mahalanobis distance is obtained by normalizing the plotted set with respect to variation and calculating the distance from the origin in the standardized space.
ばらつきに対する規格化は、ばらつきの大きい方向から順に直交する基底を取り、各基底方向へのばらつきである標準偏差を求め、各基底方向の成分をこの標準偏差で割ることによってなされる。これは、いわゆる主成分分析の手法と同一となる。図８（ａ），（ｂ）に２次元の主成分分析の一例を示した。図８（ａ），（ｂ）に示す主成分分析では、ばらつきの大きい方向から順に直交する第１主成分及び第２主成分を取り、各主成分のばらつきを求め、各主成分方向の成分をばらつきで割ることによって、ばらつきに対する規格化がなされる。図８中、Ｏが原点、Ｄがマハラノビス距離、Ｐが画素を示している。 The standardization for the variation is performed by taking orthogonal bases in order from the direction of the largest variation, obtaining a standard deviation that is the variation in each base direction, and dividing the component in each base direction by this standard deviation. This is the same as the so-called principal component analysis method. FIGS. 8A and 8B show an example of a two-dimensional principal component analysis. In the principal component analysis shown in FIGS. 8A and 8B, the first principal component and the second principal component that are orthogonal to each other in order from the direction with the largest variation are taken, and the variation of each principal component is obtained. Is divided by the variation to standardize the variation. In FIG. 8, O indicates the origin, D indicates the Mahalanobis distance, and P indicates the pixel.
次に、欠陥候補検出ステップＳ３４では、欠陥候補検出部８６が、閾値Ｄthrにより異常度画像Ｄ（ｘ，ｙ）を２値化して、Ｄ（ｘ，ｙ）≧Ｄthrなる画素の連結領域を欠陥部又は欠陥候補として検出する。また、本ステップにおいて、欠陥候補検出部８６は、連結領域の面積や連結領域内での異常度の最大値に対して制約を設けて、制約を満たさない欠陥候補は除外してもよい。例えば欠陥候補検出部８６は、面積と異常度の最大値の両方が各々に設定された最小値より小さい欠陥候補を除外する。さらに、欠陥候補検出部８６は、任意の２つの欠陥候補について、連結領域間の距離が所定の条件を満たす場合に同一の欠陥候補として連結する処理を行う。例えば欠陥候補１内の座標を（ｘ1，ｙ1），欠陥候補２内の座標を（ｘ2，ｙ2）とし、ｘ座標に関する距離制約をｄx，ｙ座標に関する距離制約をｄyとし、｜ｘ1−ｘ2｜＜ｄx、且つ、｜ｙ1−ｙ2｜＜ｄyを満たす座標（ｘ1，ｙ1），（ｘ2，ｙ2）があるとき、欠陥候補検出部８６は欠陥候補１と欠陥候補２とを連結する。この連結は、画像の膨張及び収縮の繰り返しによって行っても構わない。 Next, in the defect candidate detection step S34, the defect candidate detection unit 86 binarizes the abnormality degree image D (x, y) using the threshold value D thr, and forms a connected area of pixels where D (x, y) ≧ D thr. Is detected as a defective portion or a defect candidate. In this step, the defect candidate detection unit 86 may set a constraint on the area of the connected region or the maximum value of the degree of abnormality in the connected region, and exclude defect candidates that do not satisfy the constraint. For example, the defect candidate detection unit 86 excludes a defect candidate in which both the area and the maximum value of the degree of abnormality are smaller than the minimum value set for each. Further, the defect candidate detection unit 86 performs a process of connecting two arbitrary defect candidates as the same defect candidate when the distance between the connection regions satisfies a predetermined condition. For example the coordinates of the defect candidate 1 (x 1, y 1) , the coordinates of the defect candidate 2 and (x 2, y 2), the distance constraint on x-coordinate d x, the distance constraint on the y-coordinate and d y , | x 1 -x 2 | < d x, and, | y 1 -y 2 | <coordinates satisfying d y (x 1, y 1 ), when there is (x 2, y 2), the defect candidate detection unit Reference numeral 86 connects defect candidate 1 and defect candidate 2. This connection may be performed by repeating expansion and contraction of the image.
なお、閾値Ｄthrはマハラノビス距離（の２乗）がカイ２乗分布に従うという仮定のもと、以下の数式（１６）に示すように定めるとよい。ここで、数式（１６）中、ｐthrは、異常度が欠陥であると判断する有意水準（確率）を示し、ｆχ2 -1（ｐ，ｎ）は自由度ｎのカイ２乗分布の累積密度関数の逆関数である。これにより、異常度に対して確率として閾値を定めることができる。 The threshold value D thr may be determined as shown in the following equation (16) on the assumption that the Mahalanobis distance (square) follows a chi-square distribution. Here, in Equation (16), p thr represents a significance level (probability) at which the degree of abnormality is determined to be a defect, and fχ 2 -1 (p, n) is the cumulative value of the chi-square distribution with n degrees of freedom. It is the inverse of the density function. Thereby, a threshold value can be determined as a probability for the degree of abnormality.
［欠陥判定処理］
最後に、図９を参照して、上記欠陥判定処理（ステップＳ４）について説明する。
[Defect judgment processing]
Finally, the defect determination processing (step S4) will be described with reference to FIG.
図９は、欠陥判定処理の流れを示すフローチャートである。図９に示すように、欠陥判定処理は、欠陥特徴算出ステップＳ４１及び欠陥判定ステップＳ４２を含む。 FIG. 9 is a flowchart illustrating the flow of the defect determination process. As shown in FIG. 9, the defect determination processing includes a defect feature calculation step S41 and a defect determination step S42.
欠陥特徴算出ステップＳ４１では、欠陥特徴算出部８７が、補正画像Ｉc（ｘ，ｙ）より欠陥候補の領域部分を切り出した欠陥部濃淡画像、及び異常度画像Ｄ（ｘ，ｙ）より欠陥候補の領域部分を切出した欠陥部異常度画像を用いて、それらに対し各種演算を行って、欠陥特徴量を算出する。代表的な欠陥特徴量としては、幅、長さ、面積、アスペクト比、周囲長等の欠陥のサイズや形状に関するもの、欠陥領域内の最大輝度、最小輝度、平均輝度、輝度に関するヒストグラム度数等の濃淡に関するもの等があり、これらは欠陥部濃淡画像より得られる。さらに、本実施形態においては欠陥部異常度画像より欠陥部の最大異常度、平均異常度、及び異常度に関するヒストグラム度数等の異常度に関する特徴量も得られる。さらに、本実施形態においては、各テクスチャ特徴画像Ｆj（ｘ，ｙ）より欠陥候補の領域部分を切出した欠陥部テクスチャ特徴画像からも各テクスチャ特徴に関する欠陥特徴量が得られる。 In the defect feature calculation step S41, the defect feature calculation unit 87 calculates a defect candidate from a defect grayscale image obtained by cutting out the area of the defect candidate from the corrected image I c (x, y), and a defect candidate image D (x, y). Various kinds of calculations are performed on the defect portion abnormality degree images obtained by cutting out the region portions to calculate defect feature amounts. Typical defect features include those related to the size and shape of the defect, such as width, length, area, aspect ratio, and perimeter, and the maximum luminance, minimum luminance, average luminance, and histogram frequency relating to the luminance in the defect area. There are, for example, those relating to shading, which are obtained from a defect shading image. Further, in the present embodiment, a feature amount relating to the degree of abnormality such as a maximum abnormality degree, an average degree of abnormality, and a histogram frequency relating to the degree of abnormality is obtained from the defect part abnormality degree image. Further, in the present embodiment, a defect feature amount relating to each texture feature can be obtained from a defect portion texture feature image obtained by cutting out a defect candidate area from each texture feature image F j (x, y).
次に、欠陥判定ステップＳ４２では、欠陥判定部８８が、欠陥特徴算出ステップＳ４１で算出された欠陥特徴量に基づいて、各欠陥候補の欠陥種別及び有害度を判定する。判定にあたっては、ユーザが作成した欠陥特徴量に関する判定ルール（ｉｆ−ｔｈｅｎルールや判定テーブル）か、いわゆる機械学習によって得られる判別器、あるいはそれらの組合せが用いられる。 Next, in the defect determination step S42, the defect determination unit 88 determines the defect type and the harmfulness of each defect candidate based on the defect feature amount calculated in the defect feature calculation step S41. For the determination, a determination rule (if-then rule or determination table) relating to the defect feature amount created by the user, a discriminator obtained by so-called machine learning, or a combination thereof is used.
以上の説明から明らかなように、本発明の一実施形態である表面欠陥検出装置１では、テクスチャ特徴画像生成部８３が、鋼板Ｓから漏洩する磁束を計測することによって得られた磁気画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成し、テクスチャ特徴抽出部８４が、磁気画像上の各位置について複数のテクスチャ特徴画像の対応する位置の値を各々抽出して磁気画像上の各位置における特徴ベクトルを生成し、異常度算出部８５が、特徴ベクトルの各々について特徴ベクトルがなす多次元分布における異常度を算出し、磁気画像上の各位置についての異常度を示した異常度画像を生成し、欠陥候補検出部８６が、異常度画像において異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する。これにより、鋼板Ｓ中に存在する周期的な特徴を有さない微小凹凸表面欠陥ＤＦも精度よく検出することができる。 As is clear from the above description, in the surface defect detection device 1 according to the embodiment of the present invention, the texture feature image generation unit 83 performs the measurement on the magnetic image obtained by measuring the magnetic flux leaking from the steel sheet S. A plurality of texture feature images are generated by performing a filtering process using a plurality of spatial filters, and the texture feature extraction unit 84 extracts a value of a corresponding position of the plurality of texture feature images for each position on the magnetic image. A feature vector at each position on the magnetic image, and an anomaly calculation unit 85 calculates an anomaly in a multidimensional distribution formed by the feature vectors for each of the feature vectors, and calculates an anomaly for each position on the magnetic image. Is generated, and the defect candidate detection unit 86 determines that a portion of the abnormality degree image in which the degree of abnormality exceeds a predetermined value is a defect or defect defect. It is detected as a part. Thereby, the minute uneven surface defect DF having no periodic feature existing in the steel sheet S can be detected with high accuracy.
図１０は、微小凹凸表面欠陥を有する鋼板の画像を本発明により処理した一例を示す図であり、便宜上、鋼板の幅方向を縦方向、鋼板の通板方向を横方向にして示している。図１０（ａ）は、画像化装置７によって得られた磁気画像を示し、磁気画像中央の楕円で囲われた箇所に微小凹凸表面欠陥が存在している。図１０（ｂ）は、図１０（ａ）に示す磁気画像に対して本発明の欠陥検出処理を適用することにより得られた異常度画像である。本実施例では、テクスチャ特徴画像生成ステップＳ３１において、線状欠陥用拡張処理を選択して６４種類のテクスチャ特徴画像を生成した。また、欠陥候補検出ステップＳ３４において、異常度に対しｐｔｈｒ＝１０−１０としたときの閾値Ｄｔｈｒを用いて２値化を行い、欠陥候補２００画素未満の連結領域は欠陥候補から除外した。図１０（ａ）と同様、異常度画像中の欠陥箇所を楕円で示した。図１０（ｃ）は、図１０（ａ），（ｂ）の矢印部分における画像信号の通板方向のプロファイルデータである。図１０（ｃ）に示すように、図１０（ａ）に示す磁気画像のプロファイルデータＬ２では、欠陥信号と周辺ノイズとの比であるＳ／Ｎが１．８であった。これに対して、図１０（ｂ）に示す異常度画像のプロファイルデータＬ１では、Ｓ／Ｎが２．７まで向上している。これにより、本発明を適用することにより、欠陥の周期的な特徴を利用することなくこれまで検出困難な微小凹凸表面欠陥のＳ／Ｎを自動検出可能とされるＳ／Ｎ＝２．５以上のレベルまで信号処理により改善し、微小凹凸表面欠陥を検出できることが確認された。 FIG. 10 is a diagram showing an example in which an image of a steel sheet having minute uneven surface defects is processed according to the present invention. For convenience, the width direction of the steel sheet is shown as the vertical direction, and the passing direction of the steel sheet is shown as the horizontal direction. FIG. 10 (a) shows a magnetic image obtained by the imaging device 7, in which a minute uneven surface defect is present at a portion surrounded by an ellipse at the center of the magnetic image. FIG. 10B is an anomaly degree image obtained by applying the defect detection processing of the present invention to the magnetic image shown in FIG. In the present embodiment, in the texture feature image generation step S31, the linear defect extension process is selected to generate 64 types of texture feature images. In addition, in the defect candidate detection step S34, binarization was performed using the threshold value D thr when p thr = 10 −10 with respect to the degree of abnormality, and a connected region having less than 200 pixels of the defect candidate was excluded from the defect candidates. As in FIG. 10 (a), the defective spots in the abnormality degree image are indicated by ellipses. FIG. 10C shows profile data of the image signal in the passing direction at the arrow portions in FIGS. 10A and 10B. As shown in FIG. 10C, in the profile data L2 of the magnetic image shown in FIG. 10A, the S / N, which is the ratio between the defect signal and the peripheral noise, was 1.8. On the other hand, in the profile data L1 of the abnormality degree image shown in FIG. 10B, the S / N is improved to 2.7. Thus, by applying the present invention, it is possible to automatically detect the S / N of a minute uneven surface defect that has been difficult to detect so far without using the periodic feature of the defect. S / N = 2.5 or more It has been confirmed that signal processing can improve the level up to the level of, and that microscopic uneven surface defects can be detected.
１ 表面欠陥検出装置
２ 直流電源
３ 磁化器
４ 磁気センサ
５ 増幅器
６ 信号処理回路
７ 画像化装置
８ 画像処理装置
９ 表示装置
８１ 画像入力部
８２ 画像補正部
８３ テクスチャ特徴画像生成部
８４ テクスチャ特徴抽出部
８５ 異常度算出部
８６ 欠陥候補検出部
８７ 欠陥特徴算出部
８８ 欠陥判定部
ＤＦ 微小凹凸表面欠陥
Ｓ 鋼板
DESCRIPTION OF SYMBOLS 1 Surface defect detection apparatus 2 DC power supply 3 Magnetizer 4 Magnetic sensor 5 Amplifier 6 Signal processing circuit 7 Imaging device 8 Image processing device 9 Display device 81 Image input unit 82 Image correction unit 83 Texture feature image generation unit 84 Texture feature extraction unit 85 Abnormality calculation unit 86 Defect candidate detection unit 87 Defect feature calculation unit 88 Defect judgment unit DF Micro uneven surface defect S Steel plate
Claims (6)
前記被検体から漏洩する磁束を計測して磁気画像に変換する計測ステップと、
前記磁気画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成ステップと、
前記磁気画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記磁気画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出ステップと、
前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記磁気画像上の各位置についての異常度を示した異常度画像を生成する異常度算出ステップと、
前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出ステップと、
を含むことを特徴とする表面欠陥検出方法。 In a surface defect detection method for detecting a surface defect existing in an object by detecting a magnetic flux leaking from the object by applying a magnetic flux to the object made of a magnetic metal,
A measurement step of measuring a magnetic flux leaking from the subject and converting it to a magnetic image,
A texture feature image generating step of generating a plurality of texture feature images by performing a filtering process using a plurality of spatial filters on the magnetic image;
A texture feature extraction step of extracting a value of a corresponding position of the plurality of texture feature images for each position on the magnetic image to generate a feature vector at each position on the magnetic image;
Calculating an anomaly degree in a multidimensional distribution formed by the feature vectors for each of the feature vectors, and generating an anomaly degree image indicating an anomaly degree at each position on the magnetic image;
A detection step of detecting a portion in which the abnormality degree exceeds a predetermined value in the abnormality degree image as a defective portion or a defect candidate portion,
A surface defect detection method comprising:
前記被検体から漏洩する磁束を計測して磁気画像に変換する計測手段と、
前記磁気画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成手段と、
前記磁気画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記磁気画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出手段と、
前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記磁気画像上の各位置についての異常度を示した異常度画像を生成する異常度算出手段と、
前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出手段と、
を備えることを特徴とする表面欠陥検出装置。 By detecting a magnetic flux leaking from the test object by applying a magnetic flux to the test object made of a magnetic metal, in a surface defect detection device that detects a surface defect present in the test object,
Measuring means for measuring the magnetic flux leaking from the subject and converting it to a magnetic image,
A texture feature image generating unit configured to generate a plurality of texture feature images by performing a filtering process using a plurality of spatial filters on the magnetic image;
Texture feature extraction means for extracting a value of a corresponding position of the plurality of texture feature images for each position on the magnetic image to generate a feature vector at each position on the magnetic image,
An anomaly degree calculating means for calculating an anomaly degree in a multidimensional distribution formed by the feature vectors for each of the feature vectors, and generating an anomaly degree image indicating an anomaly degree at each position on the magnetic image;
Detecting means for detecting a portion in which the abnormality degree exceeds a predetermined value in the abnormality degree image as a defective portion or a defect candidate portion,
A surface defect detection device comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017205918A JP6658711B2 (en) | 2017-10-25 | 2017-10-25 | Surface defect detection method and surface defect detection device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017205918A JP6658711B2 (en) | 2017-10-25 | 2017-10-25 | Surface defect detection method and surface defect detection device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019078640A JP2019078640A (en) | 2019-05-23 |
| JP6658711B2 true JP6658711B2 (en) | 2020-03-04 |
Family
ID=66626403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017205918A Active JP6658711B2 (en) | 2017-10-25 | 2017-10-25 | Surface defect detection method and surface defect detection device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6658711B2 (en) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596233B (en) * | 2019-08-27 | 2022-11-22 | 电子科技大学 | Steel wire rope magnetic flux leakage imaging real-time processing method under continuous sampling |
| CN110992363B (en) * | 2019-12-27 | 2023-05-16 | 中国石油大学(华东) | Three-dimensional magnetic flux leakage detection defect reconstruction method based on generation countermeasure network |
| WO2021149614A1 (en) * | 2020-01-24 | 2021-07-29 | 三菱電機株式会社 | Wire rope flaw detection device |
| CN113516619B (en) * | 2021-04-09 | 2023-03-17 | 重庆大学 | Product surface flaw identification method based on image processing technology |
| CN113311060B (en) * | 2021-04-26 | 2024-05-24 | 河南省特种设备安全检测研究院 | Elevator cladding belt defect online detection and marking device and system |
| CN114155186B (en) * | 2021-10-08 | 2023-05-12 | 四川大学 | Defect detection system and method based on unsupervised learning |
| CN115439663B (en) * | 2022-11-07 | 2023-02-17 | 山东经发孔府宴酒业有限公司 | Image data-based lotus leaf Daqu quality identification method |
| CN115511888B (en) * | 2022-11-22 | 2023-02-17 | 深圳市岑科实业有限公司 | Inductance defect detection method and system based on vision |
| CN115797353B (en) * | 2023-02-08 | 2023-05-09 | 山东乾钢金属科技有限公司 | Intelligent detection system and method for quality of cold-rolled strip steel |
| WO2024210180A1 (en) * | 2023-04-06 | 2024-10-10 | 日本製鉄株式会社 | Magnetic domain structure analysis device, magnetic domain structure analysis method, program, method for producing grain-oriented electromagnetic steel sheet, grain-oriented electromagnetic steel sheet, and iron core |
| CN116934746B (en) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | Scratch defect detection method, system, equipment and medium thereof |
| CN117173188B (en) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | Glass scar identification method |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1019801A (en) * | 1996-06-28 | 1998-01-23 | Kobe Steel Ltd | Surface defect detector |
| JP3492509B2 (en) * | 1998-02-04 | 2004-02-03 | 株式会社神戸製鋼所 | Surface defect inspection apparatus and fluorescent magnetic particle inspection method |
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
| JP2004037216A (en) * | 2002-07-03 | 2004-02-05 | Jfe Steel Kk | Leakage flux flaw detecting method |
| JP2013167596A (en) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | Defect inspection device, defect inspection method, and program |
| JP2015041164A (en) * | 2013-08-20 | 2015-03-02 | キヤノン株式会社 | Image processor, image processing method and program |
| JP6358351B1 (en) * | 2017-03-21 | 2018-07-18 | Ｊｆｅスチール株式会社 | Surface defect inspection method and surface defect inspection apparatus |
-
2017
- 2017-10-25 JP JP2017205918A patent/JP6658711B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019078640A (en) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6658711B2 (en) | Surface defect detection method and surface defect detection device | |
| JP6358351B1 (en) | Surface defect inspection method and surface defect inspection apparatus | |
| CN110231394B (en) | Irregular crack imaging method of non-ferromagnetic material based on alternating current electromagnetic field | |
| US9171364B2 (en) | Wafer inspection using free-form care areas | |
| CN110243923B (en) | Visual imaging and evaluation method for corrosion defect based on alternating current electromagnetic field | |
| CN110243922B (en) | ACFM visual imaging method for irregular cracks of ferromagnetic material | |
| CN109816645B (en) | Automatic detection method for steel coil loosening | |
| CN109507198B (en) | Mask detection system and method based on fast Fourier transform and linear Gaussian | |
| Park et al. | Vision-based inspection for periodic defects in steel wire rod production | |
| CN105184792B (en) | A kind of saw blade wear extent On-line Measuring Method | |
| CN113781424A (en) | Surface defect detection method, device and equipment | |
| CN114719749A (en) | Metal surface crack detection and real size measurement method and system based on machine vision | |
| CN108872252A (en) | A kind of girder steel flaw detection system | |
| Wankhede et al. | A low cost surface strain measurement system using image processing for sheet metal forming applications | |
| JP3913517B2 (en) | Defect detection method | |
| Will et al. | Features for image processing of OCT images for seam tracking applications in laser welding | |
| JP2010243263A (en) | Surface inspecting device and surface inspection method of belt-like body, and program | |
| CN112884694B (en) | Defect detection method, device, equipment and medium for flat display panel | |
| CN111768376A (en) | Eddy current thermal imaging edge detection method and system, storage medium and application | |
| CN104034288A (en) | Waterproof layer thickness detection method and device based on B ultrasound | |
| Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
| Zhang et al. | High density print circuit board line width measurement algorithm based on statistical process control theory | |
| TW202018284A (en) | Steel strip crease detection method including a preparation step, a measurement step, a conversion step, and a reading step | |
| CN108122226B (en) | Method and device for detecting glass defects | |
| JP3145296B2 (en) | Defect detection method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190524 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191218 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200107 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200120 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6658711 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |